Il tuo riciclaggio è una bugia — e la soluzione richiede la fisica, non ChatGPT

Ho visto un vassoio in polipropilene perfettamente buono — di quelli in cui si compra il sushi — scivolare via dall'estremità di un nastro trasportatore e cadere in un cassone contrassegnato come "residuo". Residuo è la parola gentile. Significa discarica. Significa incenerimento. Significa fallimento.

Il vassoio era nero. Era la sua unica colpa.

Mi trovavo in un impianto di recupero materiali in Europa, uno di quei posti che trattano decine di migliaia di tonnellate di rifiuti all'anno, e stavo osservando il loro selezionatore ottico all'avanguardia — una macchina che costa più della maggior parte degli appartamenti — ignorare sistematicamente ogni oggetto di colore scuro che passava sotto i suoi sensori. Non perché la macchina fosse guasta. Perché la fisica del suo sensore rendeva la plastica nera letteralmente invisibile.

Quel momento cambiò la traiettoria della mia azienda. In Veriprajna costruiamo sistemi di AI avanzata per problemi industriali, ed ero venuto in questo impianto aspettandomi di trovare un problema software. Una lacuna nella classificazione. Qualcosa che potessimo mettere a punto. Invece, ho trovato un buco nello spettro elettromagnetico — e nessuna quantità di machine learning avrebbe potuto colmarlo.

La portata di ciò che stiamo buttando via

Ecco un numero che dovrebbe darvi fastidio: dei 353 milioni di tonnellate di rifiuti plastici generati globalmente ogni anno, solo il 9% viene riciclato. Metà finisce in discarica. Un quinto viene incenerito. Il resto è gestito male — un eufemismo per "scaricato da qualche parte a cui preferiremmo non pensare".

Le plastiche nere peggiorano questo quadro. Costituiscono tra il 3% e il 15% del flusso totale di rifiuti plastici a seconda di dove ti trovi. In un impianto che tratta 50.000 tonnellate all'anno, si tratta di migliaia di tonnellate di materiale — polipropilene, polietilene, ABS, polistirene — che viene espulso dal flusso di riciclo non perché non possa essere riciclato, ma perché le macchine non riescono a vederlo.

E questo materiale non è privo di valore. Il polipropilene nero riciclato viene scambiato a 1.130–1.200 dollari per tonnellata. L'ABS riciclato spunta 800–1.100 dollari. Un singolo impianto di medie dimensioni sta buttando via oltre 2 milioni di dollari di valore recuperabile ogni anno. Non è un errore di arrotondamento. È un modello di business in attesa di essere sbloccato.

Non puoi riciclare ciò che non puoi vedere. E in questo momento, l'intero settore è cieco al 15% del flusso di rifiuti.

Perché un vassoio nero è invisibile a un robot di riciclaggio?

La risposta risiede in un pigmento chiamato nerofumo. È prodotto dalla combustione incompleta del petrolio, ed è il motivo per cui la maggior parte delle plastiche nere è nera. È anche uno degli assorbitori di luce più efficaci mai fabbricati.

I selezionatori di riciclaggio standard utilizzano la spettroscopia nel vicino infrarosso — NIR — operando tra 0,9 e 1,7 micrometri. Il modo in cui funziona è elegante: lampade alogene inondano il nastro trasportatore di luce. Quando quella luce colpisce una bottiglia di plastica colorata o trasparente, rimbalza indietro con specifiche lunghezze d'onda assorbite — un'impronta spettrale che dice al sensore "questo è PET" o "questo è HDPE". L'espulsore pneumatico scatta. La bottiglia atterra nel cassone giusto.

Ma quando quella stessa luce colpisce il nerofumo, non rimbalza indietro. Il pigmento assorbe i fotoni attraverso l'intera gamma NIR e li converte in calore. Il sensore non riceve nulla. E poiché il nastro trasportatore stesso è tipicamente in gomma nera, la macchina vede un oggetto nero su uno sfondo nero che restituisce segnale zero. Per l'algoritmo di selezione, il nastro sembra vuoto.

Ricordo di aver spiegato questo a un investitore agli inizi. Disse: "Non puoi semplicemente addestrare un modello migliore sui pixel scuri?" Tirai fuori una lettura spettrale di un vassoio in PP nero sotto NIR. Era una linea piatta. Rumore. Gli dissi: qui non ci sono dati. Non puoi addestrare un modello sul nulla.

Fece una pausa, poi disse: "E GPT?"

Ricevo questa domanda più spesso di quanto vorrei ammettere.

Perché non puoi semplicemente usare un LLM per questo?

Voglio essere diretto su una cosa, perché l'attuale ciclo di clamore sull'AI ha creato un'illusione pericolosa: non puoi uscire da un problema di fisica a colpi di prompt.

I Large Language Model sono motori testuali probabilistici. Predicono il token successivo basandosi sui pattern nei loro dati di addestramento. Sono straordinari in ciò che fanno. Ma richiedono un input. Nel caso della selezione della plastica nera, l'input di un sensore NIR standard è un insieme vuoto — una linea piatta di rumore indistinguibile dallo sfondo del nastro trasportatore.

Se costringessi un modello generativo a classificare quel rumore, potrebbe tirare a indovinare. Potrebbe dire "probabilmente polipropilene" perché il PP è comune. Ma indovinare non è percepire. In una linea di riciclaggio industriale dove una contaminazione superiore all'1–2% rende un'intera balla invendibile, un'ipotesi sicura è peggio di nessuna risposta. È un'allucinazione con conseguenze fisiche.

C'è anche il problema della latenza. Le decisioni di selezione industriale avvengono in millisecondi — un nastro che corre a 3 metri al secondo non aspetta una chiamata API a un server cloud. Nel momento in cui un modello basato su cloud restituisce la sua risposta sbagliata ma sicura, il vassoio è già nel cassone dei residui.

Un wrapper di LLM non può allucinare fotoni che non sono mai stati catturati dal sensore. Se i dati non esistono, il modello è cieco — indipendentemente da quanti parametri abbia.

Questa è la distinzione a cui continuo a tornare tra ciò che chiamo "wrapper di AI" e deep tech. Un wrapper prende il modello di qualcun altro e ci mette sopra un'interfaccia utente. La deep tech cambia la fisica della misurazione. Avevamo bisogno di cambiare la misurazione.

Cosa succede quando sposti la lunghezza d'onda?

L'assorbimento del nerofumo non è infinito. Ha dei limiti. E quei limiti diventano sfruttabili quando ci si sposta dal vicino infrarosso al Medio Infrarosso — la banda MWIR, specificamente tra 2,7 e 5,3 micrometri.

È qui che la chimica dei polimeri diventa rumorosa.

Nella gamma NIR, si captano vibrazioni "armoniche" — deboli echi dei legami molecolari. Sono sottili, facilmente soffocate dal nerofumo. Ma nel MWIR, si colpiscono le vibrazioni fondamentali: gli stiramenti dei legami C-H, gli stiramenti del carbonile C=O, i modi dell'anello aromatico. Questi segnali sono ordini di grandezza più forti. Abbastanza forti da attraversare il pigmento di nerofumo e raggiungere il sensore.

La prima volta che il mio team vide una lettura spettrale pulita di un vassoio in polipropilene nero sotto MWIR, ci fu un momento di autentica incredulità. Avevamo fissato linee piatte per settimane. E poi all'improvviso — picchi. Netti, distinti, inconfondibili. La banda di assorbimento C-H a 3,4 micrometri era proprio lì, chiara come qualsiasi diagramma da manuale. Solo che questo non era un campione da manuale. Era un vassoio per alimenti schiacciato e sporco estratto da un flusso di rifiuti reale.

Mi voltai verso il mio ingegnere e dissi: "Il vassoio ha sempre parlato. Eravamo solo in ascolto sulla frequenza sbagliata".

Questa è l'intuizione centrale. Non abbiamo reso la plastica più visibile. Abbiamo cambiato dove guardavamo.

Come funziona davvero l'imaging iperspettrale MWIR?

Abbiamo costruito il nostro sistema attorno alla Specim FX50, che è attualmente l'unica camera iperspettrale commercialmente valida che copre l'intera gamma da 2,7 a 5,3 micrometri necessaria per questa applicazione. E "commercialmente valida" fa un gran lavoro pesante in quella frase, perché questa non è una webcam da imbullonare a un nastro trasportatore.

Il materiale del rilevatore è l'Antimoniuro di Indio — un semiconduttore esotico sensibile alla radiazione termica. Poiché a queste lunghezze d'onda si stanno essenzialmente rilevando firme termiche, il sensore deve essere raffreddato a temperature criogeniche — circa 77 Kelvin, ovvero all'incirca meno 196 gradi Celsius — usando un raffreddatore Stirling integrato. Se non lo raffreddi, il sensore si acceca con il proprio rumore termico.

La camera cattura 154 bande spettrali per ogni pixel nel suo campo visivo, generando un cubo di dati tridimensionale: posizione spaziale più lunghezza d'onda. A 380 fotogrammi al secondo, sta al passo con nastri trasportatori che corrono a oltre 2 metri al secondo.

Ho scritto dell'intera architettura del sensore e della fisica che c'è dietro nel nostro whitepaper interattivo — i soli dettagli ingegneristici del raffreddamento criogenico potrebbero riempire un saggio a sé. Ma il punto chiave è questo: ciò che la camera vede non è colore. Vede chimica. Un vassoio in PP nero e un coperchio in PS nero sembrano identici ai tuoi occhi. Sotto MWIR, hanno firme spettrali completamente diverse — picchi diversi, pattern di assorbimento diversi, identità molecolari diverse.

Abbiamo smesso di fare visione artificiale e abbiamo iniziato a fare visione chimica. La camera non vede "forme nere". Vede un flusso di impronte molecolari.

L'AI che legge la chimica, non le immagini

Catturare dati iperspettrali a 154 bande a velocità industriale genera un enorme volume di informazioni. La domanda diventa: come li classifichi abbastanza velocemente da attivare un getto d'aria prima che l'oggetto cada dal nastro?

L'istinto standard nell'AI è ricorrere a una rete neurale convoluzionale 2D — quel tipo che alimenta il riconoscimento delle immagini. ResNet, YOLO, le architetture che sanno distinguere un gatto da un cane. Ma la selezione dei rifiuti infrange ogni assunzione su cui si basano quelle reti. Una bottiglia schiacciata non sembra una bottiglia. Un frammento di vassoio strappato non ha una forma riconoscibile. Una scheggia di plastica automobilistica nera è spazialmente identica a una scheggia di imballaggio alimentare nero.

La forma è inaffidabile. La chimica no.

Perciò trattiamo il problema come elaborazione del segnale, non come riconoscimento di immagini. Per ogni pixel sul nastro trasportatore, estraiamo un vettore monodimensionale di 154 valori — lo spettro in quel punto. Diamo in pasto quel vettore a una rete neurale convoluzionale 1D.

Invece di kernel quadrati che scorrono su un'immagine cercando bordi e texture, i nostri kernel lineari scorrono sullo spettro cercando firme molecolari: un brusco calo a 3,4 micrometri, una spalla ampia a 4,0, uno specifico picco a doppietto che dice "questo è polistirene, non polietilene". La rete impara la grammatica dei legami chimici.

C'è stata una settimana in cui uno dei miei ingegneri sosteneva che avremmo dovuto provare invece un'architettura Transformer — meccanismi di attenzione, lo stesso approccio che alimenta GPT. Sulla carta aveva senso. In pratica, la complessità computazionale quadratica rendeva l'inferenza troppo lenta per un nastro in movimento a 3 metri al secondo. La nostra 1D-CNN gira in meno di 5 millisecondi su hardware edge. Il Transformer stava ancora "prestando attenzione" al contesto globale dello spettro mentre il nostro sistema aveva già classificato il pixel e azionato l'espulsore.

Non giriamo nel cloud. C'è un NVIDIA Jetson AGX Orin installato sulla macchina di selezione. I dati non lasciano mai l'impianto. Nel momento in cui un sistema basato su cloud avrebbe finito il suo viaggio di andata e ritorno, il nostro getto d'aria ha già reindirizzato il vassoio nel cassone corretto.

Fondere due modi di vedere

Il MWIR ti dice cosa è qualcosa. Ma ha una risoluzione spaziale inferiore rispetto a una camera standard ed è costoso. Perciò lo fondiamo con l'RGB.

Una camera a colori ad alta risoluzione gestisce la segmentazione — trovando i confini degli oggetti sul nastro. Crea una maschera: "c'è un elemento a queste coordinate". La camera MWIR cattura i dati spettrali. Il nostro motore di fusione sovrappone la maschera RGB sul cubo di dati MWIR e interroga lo spettro all'interno di ciascun confine di oggetto. La 1D-CNN classifica il materiale.

L'output verso il robot di selezione è un pacchetto di dati composito: l'Oggetto n. 452 è polipropilene nero, situato a queste coordinate, orientato a questo angolo. Raccoglilo. Mettilo nel cassone tre.

Questo approccio ibrido ci permette di usare l'RGB economico e veloce per il lavoro spaziale e di riservare il MWIR costoso e ricco di informazioni per la decisione che conta: di cosa è fatta questa cosa?

Perché il settore non lo fa già?

La gente me lo chiede in continuazione. Se il MWIR funziona, perché non ogni impianto di riciclaggio lo usa?

Tre motivi.

Primo, la barriera hardware. Le camere a infrarossi raffreddate criogenicamente con rilevatori a semiconduttore esotici non sono articoli di uso comune. Non puoi ordinarne una da un catalogo di elettronica di consumo. La Specim FX50 esiste, ma integrarla in una linea di selezione che gestisce rifiuti del mondo reale — oggetti sporchi, bagnati, sovrapposti e ad alta velocità — richiede un'ingegneria significativa.

Secondo, la barriera dell'AI. Il firmware standard delle macchine di selezione è progettato per i dati NIR. Non puoi semplicemente scambiare il sensore e aspettarti che il software esistente funzioni. L'architettura 1D-CNN, la preelaborazione spettrale, la pipeline di fusione dei sensori — tutto questo è personalizzato. È qui che vive Veriprajna. Forniamo lo strato di intelligenza per hardware che è stato costruito per un'era diversa del sensing.

Terzo, l'inerzia. Per anni, la risposta del settore alla plastica nera è stata "non usarla" o "accettare la perdita". Ai marchi veniva detto di passare a pigmenti rilevabili. Alcuni lo fecero. La maggior parte no, perché il nerofumo è economico, stabile ai raggi UV, e consente ai produttori di usare materie prime riciclate di colore misto — proprio la cosa che rende il riciclaggio economicamente sostenibile in primo luogo.

Il nerofumo consente ai produttori di usare contenuto riciclato. Ma rende anche il prodotto finale invisibile ai sensori di riciclaggio. Il pigmento che abilita la circolarità la distrugge simultaneamente.

Il Regolamento dell'UE sugli imballaggi e i rifiuti di imballaggio sta forzando la questione. Entro il 2030, tutti gli imballaggi devono essere riciclabili — non teoricamente, ma in modo dimostrabile, in impianti industriali reali. Se il selezionatore non riesce a vederlo, è legalmente non riciclabile. Quella scadenza normativa sta focalizzando le menti.

L'economia che rende tutto questo inevitabile

Ho imparato che quando vendi deep tech a operatori industriali, l'argomento ambientale apre la porta ma è il foglio di calcolo a chiudere l'affare.

Considera un MRF europeo di medie dimensioni che tratta 50.000 tonnellate all'anno. Contenuto di plastica nera: 5%, ovvero 2.500 tonnellate. Attualmente, quel materiale va all'incenerimento con una tariffa di conferimento più tassa sul carbonio di circa 100 euro per tonnellata — un costo di 250.000 euro l'anno solo per distruggere materiale prezioso.

Con la selezione MWIR che recupera il 90% di quel flusso e vende i pellet selezionati a 900 euro per tonnellata, i conti cambiano drasticamente: 2,25 milioni di euro in ricavi combinati e costi di smaltimento evitati. A fronte di una spesa in conto capitale del sistema di circa 300.000 dollari, il periodo di ammortamento è inferiore a due mesi.

Ho visto responsabili di impianto fare questo calcolo sul retro di una busta e poi chiedere immediatamente quando possiamo installare. L'economia non è marginale. È schiacciante.

Per l'analisi tecnica completa — inclusi i dati sulla differenziazione spettrale, i dettagli dell'architettura 1D-CNN e la pipeline di fusione dei sensori — ho pubblicato un dettagliato articolo di ricerca che va più in profondità di quanto io possa fare in un saggio.

Di cosa si tratta davvero

Ho fondato Veriprajna perché credevo che i problemi industriali più difficili non potessero essere risolti avvolgendo un'API. Richiedono di comprendere la fisica della misurazione, di costruire la giusta pipeline di sensori e di progettare architetture di AI che corrispondano alla struttura dei dati — non alla struttura del ciclo di clamore.

Il riciclaggio della plastica nera è un caso di studio del perché la deep tech è importante. Il problema non è mai stato che ci mancasse l'intelligenza. Il problema era che ci mancava il segnale. Stavamo puntando la luce sbagliata e poi incolpavamo l'AI di non vedere nulla.

Quando qualcuno ti dice che l'AI può risolvere tutto, chiedigli: risolverlo con quali dati? Se il sensore non riesce a catturare la realtà, il modello è solo un generatore di numeri casuali molto costoso.

Ci sono milioni di tonnellate di polimero perfettamente riciclabile che giacciono in discarica proprio ora a causa di un pigmento che assorbe la luce del vicino infrarosso. Non perché la chimica sia sbagliata. Non perché l'economia non funzioni. Perché il sensore è stato costruito per un mondo in cui tutto è una comoda tonalità di blu o verde.

Il mondo non è così comodo. E la soluzione non è un prompt migliore. È un fotone migliore.